Python 3.x 在nn.crossentropyloss中将预期更改为多维而不是一维

我的目标是使用EMNIST数据集在Pytorch中进行多类图像分类。 作为损失函数，我想使用多类交叉熵损失

目前，我对损失函数的定义如下：

criterion = nn.CrossEntropyLoss()

iter = 0
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        
        # Add a single channel dimension
        # From: [batch_size, height, width]
        # To: [batch_size, 1, height, width]
        images = images.unsqueeze(1)

        # Forward pass to get output/logits
        outputs = model(images)
        
        # Clear gradients w.r.t. parameters
        optimizer.zero_grad()
        
        # Forward pass to get output/logits
        outputs = model(images)

        # Calculate Loss: softmax --> cross entropy loss
        loss = criterion(outputs, labels)
        
        # Getting gradients w.r.t. parameters
        loss.backward()
        
        # Updating parameters
        optimizer.step()
        
        iter += 1
        
        if iter % 500 == 0:
            # Calculate Accuracy         
            correct = 0
            total = 0
            # Iterate through test dataset
            for images, labels in test_loader:
               
                images = images.unsqueeze(1)
                
                # Forward pass only to get logits/output
                outputs = model(images)
                
                # Get predictions from the maximum value
                _, predicted = torch.max(outputs.data, 1)
                
                # Total number of labels
                total += labels.size(0)
                
                correct += (predicted == labels).sum()
            
            accuracy = 100 * correct / total
            
            # Print Loss
            print('Iteration: {}. Loss: {}. Accuracy: {}'.format(iter, loss.data[0], accuracy))

我对我的模型进行如下培训：

criterion = nn.CrossEntropyLoss()

iter = 0
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        
        # Add a single channel dimension
        # From: [batch_size, height, width]
        # To: [batch_size, 1, height, width]
        images = images.unsqueeze(1)

        # Forward pass to get output/logits
        outputs = model(images)
        
        # Clear gradients w.r.t. parameters
        optimizer.zero_grad()
        
        # Forward pass to get output/logits
        outputs = model(images)

        # Calculate Loss: softmax --> cross entropy loss
        loss = criterion(outputs, labels)
        
        # Getting gradients w.r.t. parameters
        loss.backward()
        
        # Updating parameters
        optimizer.step()
        
        iter += 1
        
        if iter % 500 == 0:
            # Calculate Accuracy         
            correct = 0
            total = 0
            # Iterate through test dataset
            for images, labels in test_loader:
               
                images = images.unsqueeze(1)
                
                # Forward pass only to get logits/output
                outputs = model(images)
                
                # Get predictions from the maximum value
                _, predicted = torch.max(outputs.data, 1)
                
                # Total number of labels
                total += labels.size(0)
                
                correct += (predicted == labels).sum()
            
            accuracy = 100 * correct / total
            
            # Print Loss
            print('Iteration: {}. Loss: {}. Accuracy: {}'.format(iter, loss.data[0], accuracy))

但是，我得到的错误是：

RuntimeError                              Traceback (most recent call last)
<ipython-input-15-c26c43bbc32e> in <module>()
     21 
     22         # Calculate Loss: softmax --> cross entropy loss
---> 23         loss = criterion(outputs, labels)
     24 
     25         # Getting gradients w.r.t. parameters

3 frames
/usr/local/lib/python3.6/dist-packages/torch/nn/functional.py in nll_loss(input, target, weight, size_average, ignore_index, reduce, reduction)
   2113                          .format(input.size(0), target.size(0)))
   2114     if dim == 2:
-> 2115         ret = torch._C._nn.nll_loss(input, target, weight, _Reduction.get_enum(reduction), ignore_index)
   2116     elif dim == 4:
   2117         ret = torch._C._nn.nll_loss2d(input, target, weight, _Reduction.get_enum(reduction), ignore_index)

RuntimeError: 1D target tensor expected, multi-target not supported

运行时错误回溯（最近一次调用）
在（）
21
22#计算损失：softmax-->交叉熵损失
--->23损耗=标准（输出、标签）
24
25#获得梯度w.r.t.参数
3帧
/nll_损耗中的usr/local/lib/python3.6/dist-packages/torch/nn/functional.py（输入、目标、重量、尺寸平均值、忽略索引、减少、减少）
2113.格式（input.size（0）、target.size（0）））
2114如果尺寸=2：
->2115 ret=torch.\u C.\u nn.nll\u损失（输入、目标、重量、减少量、获取枚举（减少量）、忽略索引）
2116 elif dim==4：
2117 ret=torch.\u C.\u nn.nll\u loss2d（输入、目标、权重、减少、获取枚举（减少）、忽略索引）
运行时错误：需要1D目标张量，不支持多目标

我的CNN输出26个变量，我的目标变量也是26D

如何更改代码，使nn.crossentropyloss（）需要26天的输入，而不是1天的输入？

nn.crossentropyloss（）（输入，目标）

需要

input

是一个大小为

batchsize X num_classes

的热向量，而

target

是大小为

batchsize

的真实类的id

因此，简而言之，您可以使用

target=torch.argmax（target，dim=1）

更改您的目标，使其适合

nn.CrossEntropy（）

nn.CrossEntropy（）（输入，目标）

期望

input

成为大小为

batchsize X num\u类的单热向量，并且
target
是大小为
batchsize
的真实类的id

因此，简而言之，您可以使用
target=torch.argmax（target，dim=1）
更改您的目标，使其适合
nn.CrossEntropy（）
除了用户的答案之外，您还应该使用
predicted=torch.argmax（output，dim=1）
获得预测的
标签。现在你得到的是最大值，你所追求的是具有最大值的类

通过这种方式，您将获得
0.0
精度，因此
argmax
是正确的。
除了用户的答案之外，您还应该使用
predicted=torch.argmax（output，dim=1）
来获得预测的
标签。现在你得到的是最大值，你所追求的是具有最大值的类

这样您将获得
0.0
精度，因此
argmax
是正确的